Chapitre 3 : Espaces d'Embedding et Représentations

Qu'est-ce qu'un Embedding ?

Représentations vectorielles denses qui capturent le sens sémantique :

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode([
    "Machine learning is fascinating",
    "AI and ML are interesting topics",
    "I like pizza"
])

# Les deux premiers sont similaires, le troisième est différent

Similarité Sémantique

$$\text{similarity}(A, B) = \frac{A \cdot B}{||A|| \times ||B||}$$

from sklearn.metrics.pairwise import cosine_similarity
similarity = cosine_similarity([embeddings[0]], [embeddings[1]])
# Haute similarité pour des phrases liées

Applications

Application	Comment les Embeddings Aident
Recherche	Trouver des documents sémantiquement similaires
Regroupement	Grouper le contenu lié
RAG	Récupérer le contexte pertinent
Classification	Vecteurs de caractéristiques pour ML

Points Clés

astuce

1. Les embeddings capturent le sens sémantique dans des vecteurs
2. La similarité cosinus mesure la relation sémantique
3. Essentiel pour RAG et la recherche sémantique

---

← Chapitre 2Quiz →